PaddleOCR PP-Structure: возможности, установка и ограничения актуального PP-StructureV3
PaddleOCR PP-Structure — не отдельная настольная программа, а семейство инструментов структурного анализа документов внутри PaddleOCR. На сентябрь 2026 года актуальна реализация PP-StructureV3: она распознаёт текст, выделяет области макета, восстанавливает порядок чтения и разбирает таблицы, формулы, печати и диаграммы. Результат предназначен прежде всего для машинной обработки; обычный PDF-просмотрщик или визуальный редактор этот конвейер не заменяет.
| Параметр | Актуальное состояние |
|---|---|
| Текущая линия | PP-StructureV3 в PaddleOCR 3.x; актуальный пакет PaddleOCR — 3.7.0 |
| Разработчик | Команда PaddleOCR в организации PaddlePaddle |
| Тип | Открытый Python-инструментарий и конвейер анализа структуры документов |
| Основной ввод | Изображения и PDF; путь, URL, массив NumPy или списки входов через Python API |
| Основной вывод | JSON, Markdown, DOCX, визуализации PNG; для таблиц также HTML и XLSX |
| Интерфейсы | Командная строка, Python API, развёртываемый HTTP-сервис |
| Лицензия | Apache License 2.0 для проекта PaddleOCR |
| Цена локальной версии | Бесплатно; подписки и пробного периода для локального open-source пакета нет |
| Регистрация | Для локальной установки через PyPI не требуется |
| Практический минимум Python | Python 3.9 или новее для группы зависимостей doc-parser, в которую входит PP-StructureV3 |
Скачать PaddleOCR PP-Structure
Новейшая версия для Виндовс, macOS и Линукс. Удобный редактор PDF под российские реалии.
Безопасный путь получения PP-StructureV3 — официальный пакет PaddleOCR из PyPI или исходный код PaddlePaddle/PaddleOCR. На 15 сентября 2026 года актуальная версия пакета — 3.7.0 от 11 июня 2026 года. Отдельных EXE, DMG или мобильного приложения PP-StructureV3 нет, поэтому сторонние «установщики PP-Structure» не нужны.
Для PP-StructureV3 документация выделяет группу зависимостей doc-parser: python -m pip install «paddleocr[doc-parser]». Группа all нужна лишь тем, кому требуются и другие дополнительные направления PaddleOCR. Инференс-движок устанавливается отдельно под выбранное оборудование; в основных примерах используется PaddlePaddle, а альтернативные backend имеют собственные ограничения совместимости.
Если локальные модели не заданы, при первом запуске они могут загружаться из официального хранилища. Для закрытой сети веса лучше подготовить заранее. После установки документ можно обрабатывать локально: обязательной отправки в публичное облако у PP-StructureV3 нет.
Что такое PaddleOCR PP-Structure
PP-Structure — линия интеллектуального анализа документов команды PaddleOCR. Она решает задачу шире OCR: определяет типы зон страницы, восстанавливает порядок чтения и выдаёт структурированный результат. В PP-StructureV3 это составной конвейер из layout-, OCR- и специализированных модулей.
Поколения смешивать нельзя. В PaddleOCR 2.x существовали PPStructure и PP-StructureV2; в 3.x старый PPStructure удалён, а разработчики рекомендуют PPStructureV3. Каталог второй генерации пока сохранён как наследуемый, но объявлен к будущему удалению и прекращению сопровождения. KIE из V2 также вынесен из текущего направления: для извлечения ключевой информации команда указывает семейство PP-ChatOCR.
Поэтому далее под PaddleOCR PP-Structure подразумевается актуальный PP-StructureV3. Это SDK/конвейер, а не обязательный веб-сервис и не GUI-приложение. Он рассчитан на разработчиков и команды, которым нужны структурированные данные для поиска, RAG, индексации, проверки или конвертации.
Основные функции PaddleOCR PP-Structure
Анализ макета и порядок чтения
Layout-модуль определяет области страницы: заголовки, текст, таблицы, изображения, формулы, колонтитулы, номера страниц, примечания, печати, диаграммы и другие зоны. Для многоколоночных документов важна отдельная задача порядка чтения: без неё даже правильно распознанные блоки могут попасть в Markdown в неверной последовательности.
JSON хранит не только текст, но и координаты, типы блоков и порядок чтения. Поэтому результат можно фильтровать программно: например, исключать колонтитулы, отдельно сохранять таблицы или отбирать блоки нужного класса.
OCR и языковые модели
OCR встроено как отдельная часть конвейера. Документация позволяет выбирать языковую модель; русский поддерживается параметром ru в документированной для PP-StructureV3 многоязычной линии PP-OCRv5. Дефолтная модель PP-StructureV3 ориентирована на китайский и английский, а для чисто английских документов документация рекомендует специализированную английскую модель. Для русского и других языков также следует явно выбирать подходящую конфигурацию.
Предобработка страницы
Опциональная предобработка определяет ориентацию документа, исправляет геометрическое искажение и может классифицировать направление строк. Для ровных цифровых PDF эти ветви можно отключить, снижая вычислительную нагрузку и число возможных ошибок.
Таблицы
Табличный контур выделяет таблицу, ячейки, текст и структуру. Результаты можно сохранять как HTML и XLSX; есть настройки для проводных и беспроводных таблиц, ориентации и повторного OCR ячеек. Это полезнее сплошного текста, когда важны строки, столбцы и объединения.
Формулы, печати и диаграммы
Отдельные опциональные ветви обрабатывают формулы, печати и диаграммы. Они расширяют применение от договоров до научных статей, но увеличивают вычислительную нагрузку, поэтому включать их лучше только для документов, где такие объекты действительно есть.
Экспорт и интеграция
Результат сохраняется в JSON, PNG-визуализации и Markdown; в актуальной ветке поддерживается экспорт в DOCX. Таблицы дополнительно сохраняются в HTML и XLSX. Для многостраничных PDF есть функция объединения страниц Markdown.
Кроме CLI и Python API, PP-StructureV3 можно развернуть как HTTP-сервис и вызывать из приложений на других языках. Это удобно, когда распознавание централизовано на отдельном сервере.
Интерфейс и удобство использования
Самостоятельного графического окна у PP-StructureV3 нет. Рабочие интерфейсы — CLI с подкомандой pp_structurev3, Python API с классом PPStructureV3 и серверный API. Поэтому удобство следует оценивать как у SDK. Локализация GUI не актуальна; имена параметров CLI/API технические, а официальная документация ведётся как документация разработчика.
Командная строка
CLI подходит для воспроизводимых пакетных операций: вход и набор модулей задаются параметрами, а команду легко сохранить в скрипте или журнале. Обратная сторона — десятки настроек и отсутствие визуального предпросмотра до запуска.
Python API
В Python конвейер инициализируется один раз, затем вызываются predict или predict_iter и обрабатываются объекты Result. predict_iter отдаёт генератор, что удобно для крупных наборов. Результаты доступны программно и могут сохраняться как JSON, визуализации и Markdown.
Порог освоения
Для пользователя, знакомого с Python и виртуальными окружениями, старт предсказуем. После обычного PDF-просмотрщика порог выше: нужно понимать зависимости, модели и backend. Это следствие назначения — PP-StructureV3 создавался как компонент автоматизации, а не приложение «открыть и сохранить».
Поддерживаемые форматы и совместимость
Основные входы — изображения и PDF. CLI принимает локальный путь, URL изображения/PDF и каталог изображений; каталог с PDF как пакетный вход не поддерживается. Python API дополнительно принимает NumPy-массивы и списки входов.
HTTP-сервис документирует изображения, PDF и TIFF; многостраничный TIFF идёт постранично. По умолчанию сервис обрабатывает только первые десять страниц PDF или многостраничного TIFF, пока администратор не изменит max_num_input_imgs. Это лимит базового сервисного конфига, а не лицензионное ограничение локального Python API.
Выходы включают JSON, Markdown, DOCX и PNG-визуализации; таблицы дополнительно сохраняются в HTML и XLSX. HTML/XLSX относятся к распознанным таблицам, а DOCX — к восстановленному результату разбора, а не к пиксельно точной копии страницы.
Функции всего PaddleOCR нельзя автоматически приписывать PP-StructureV3. Отдельный контур doc2md умеет преобразовывать Word, Excel и PowerPoint в Markdown, но штатные входы самого PP-StructureV3 — изображения и PDF.
Русский поддерживается на уровне OCR. Для дальнейшей интеграции наиболее переносимы JSON и Markdown; DOCX удобен для ручной правки, но координаты и служебные поля лучше сохранять отдельно в JSON.
Производительность и стабильность
У PP-StructureV3 нет одной корректной скорости «страниц в секунду»: она зависит от размеров страниц, числа моделей и включённых ветвей. Официальные модульные бенчмарки отделяют собственно инференс от пред- и постобработки, поэтому их нельзя переносить на любой компьютер как обещание полной производительности.
При нехватке памяти или слишком медленной работе документация советует отключать ненужные функции и выбирать более лёгкие модели. Для больших коллекций predict_iter выдаёт результаты постепенно и уменьшает потребность держать весь набор в памяти.
Поддерживаются CPU, GPU и несколько типов специализированных ускорителей. Однако реальная доступность определяется выбранным инференс-движком, драйверами и моделями; сам флаг устройства не гарантирует совместимость любой комбинации.
Альтернативные backend не полностью взаимозаменяемы. В текущем quick start для Transformers формульное распознавание требуется отключать и менять модель структуры беспроводных таблиц; пример ONNX Runtime для PP-StructureV3 тоже отключает формулы. Для полного набора возможностей безопаснее начинать с основной конфигурации документации.
Для стабильной пакетной обработки важна не только скорость, но и воспроизводимость. В рабочем проекте стоит фиксировать версию paddleocr, inference engine, конфигурацию PP-StructureV3 и конкретные каталоги моделей. Тогда обновление пакета или автоматическая смена модели по умолчанию не смешается с изменением входных данных, а расхождения в JSON можно проверять на одном эталонном наборе страниц.
Лицензирование и версии
PaddleOCR распространяется по Apache License 2.0. Для локального PP-StructureV3 нет подписки, пробного периода или лицензионного лимита страниц. Сам пакет бесплатен; фактические расходы возникают на вычислительную инфраструктуру, хранение, администрирование и возможные сторонние облачные сервисы.
Актуальный пакет — PaddleOCR 3.7.0; отдельного номера версии у PP-StructureV3 нет. V2 остаётся наследуемой линией, а старый API PPStructure удалён из 3.x. Поэтому инструкции с импортом PPStructure относятся к предыдущему поколению.
При коммерческом распространении решения следует отдельно проверять лицензии зависимостей, моделей и других компонентов собственного стека. Это не меняет бесплатную Apache 2.0-модель самого PaddleOCR.
Локальный режим также важен для приватности: исходный PDF не требуется передавать внешнему SaaS-провайдеру. Но сама лицензия Apache 2.0 не является политикой безопасности. Если команда использует URL-входы, разворачивает HTTP-сервис или хранит результаты на общем сервере, контроль доступа, журналы, сроки хранения и сетевую защиту нужно настраивать в собственной инфраструктуре.
Системные требования
Python и пакет
PyPI требует для paddleocr Python 3.8+, но дополнительные группы doc-parser, ie, trans и all по текущей инструкции требуют Python 3.9+ из-за зависимостей. Поскольку PP-StructureV3 входит в doc-parser, для новой установки следует ориентироваться минимум на Python 3.9.
Движок инференса и оборудование
Единого минимума RAM, VRAM и диска разработчики не задают: требования зависят от набора моделей. CPU поддерживается, GPU и другие ускорители могут ускорить инференс, но их доступность определяется конкретным backend и его системными требованиями.
Рабочее окружение заметно больше самого wheel: место занимают инференс-библиотеки и веса нескольких моделей. Диск нужно рассчитывать на окружение и кэш моделей, а не только на размер пакета PyPI.
Операционная система
Метаданные PyPI помечают paddleocr как OS Independent, но PP-StructureV3 не является нативным приложением с единым установщиком для всех ОС. Совместимость определяется Python, backend и доступными для него сборками. Для воспроизводимости разумны отдельное виртуальное окружение или контейнер и фиксация версий.
Хронология развития и поддержки
2021 год: начало линии PP-Structure; ранние поколения сосредоточились на анализе макета и таблиц.
PP-StructureV2: ветка 2.x с API PPStructure и, в частности, KIE. Сейчас её документация сохранена как наследуемая и не соответствует API 3.x.
2025 год: PaddleOCR 3.x ввёл PP-StructureV3 и удалил старый PPStructure. Ветка 3.2 также разделила обязательные и дополнительные зависимости, выделив document parsing в отдельную группу.
29 января 2026 года, 3.4.0: добавлены настройки форматирования содержимого блоков и меток при сборке Markdown.
21 апреля 2026 года, 3.5.0: появился экспорт PP-StructureV3 в DOCX. 11 июня 2026 года вышел PaddleOCR 3.7.0 — актуальный пакет на дату обзора.
Карта критических зависимостей
| Зависимость | Зачем нужна | Что произойдёт без неё |
|---|---|---|
| Python 3.9+ | Среда для актуальной группы doc-parser | Не гарантируется установка полного набора зависимостей PP-StructureV3 |
| paddleocr с doc-parser | CLI, Python API и компоненты документного парсинга | Останутся базовые возможности, но PP-StructureV3 не будет полноценно подготовлен |
| Инференс-движок | Выполнение моделей | Пакет установлен, но модели фактически не запускаются |
| Модельные веса | Layout, OCR, таблицы, формулы и другие модули | Соответствующая ветвь конвейера не работает |
| Интернет при первичной загрузке | Автоматическое получение отсутствующих официальных моделей | Нужно заранее разместить локальные модели и указать пути |
| GPU или иной ускоритель | Сокращение времени инференса | Можно работать на CPU, но тяжёлые конфигурации будут медленнее |
Итого одной установки paddleocr недостаточно: нужны doc-parser, совместимый backend и веса моделей. Для воспроизводимости версии окружения и конфигурацию следует фиксировать рядом с кодом обработки.
Паспорт обратимости операций
| Операция | Обратимость | Что сохранять |
|---|---|---|
| OCR и layout parsing | Исходник не изменяется; результат создаётся отдельно | Оригинальный PDF или изображение и JSON результата |
| Экспорт в Markdown | Можно повторить из исходника, но ручные правки Markdown не восстанавливают геометрию страницы | JSON с координатами и исходные изображения |
| Экспорт в DOCX | DOCX редактируем, но не является полным обратимым представлением всех служебных данных PP-StructureV3 | DOCX плюс JSON |
| Экспорт таблицы в XLSX | Удобен для правки, но визуальная структура исходной страницы может быть потеряна | HTML/JSON таблицы и оригинал |
| Отключение модулей | Всегда можно повторно прогнать исходник с другой конфигурацией | Файл конфигурации и версия моделей |
PP-StructureV3 не переписывает исходный PDF, а создаёт производные данные. Но Markdown, DOCX или XLSX не равны исходному макету, поэтому юридически или архивно значимый оригинал нужно хранить отдельно вместе с JSON результата.
Преимущества и недостатки PaddleOCR PP-Structure
Плюсы и минусы
Плюсы ✔️
- Открытая лицензия Apache 2.0. Локальный конвейер можно внедрять без подписки на OCR-сервис.
- Структура, а не только текст. Координаты, типы блоков, порядок чтения и специальные ветви для таблиц и формул делают результат пригодным для автоматизации.
- Несколько уровней интеграции. CLI подходит для пакетных задач, Python API — для приложений, HTTP-сервис — для раздельной архитектуры.
- Локальная обработка. Документы не обязаны уходить во внешний облачный сервис; это полезно для конфиденциальных архивов.
- Модульность. Ненужные ветви можно отключить, а отдельные модели заменить или дообучить под свой домен.
- Практичные форматы вывода. JSON и Markdown удобны для машинной обработки, DOCX — для ручной правки, XLSX/HTML — для таблиц.
- Поддержка русского OCR. Русский присутствует в перечне языков PP-OCRv5, доступных для настройки PP-StructureV3.
Минусы ❌
- Нет самостоятельного GUI. Пользователю без Python и командной строки продукт будет заметно сложнее настольных OCR-программ.
- Тяжёлая цепочка зависимостей. Для полного PP-StructureV3 недостаточно базового paddleocr; нужен doc-parser, inference engine и модели.
- Нет единого универсального требования к ресурсам. Потребление памяти и скорость меняются вместе с модельной конфигурацией, поэтому сервер нужно подбирать под реальную нагрузку.
- Функциональное равенство backend отсутствует. Для Transformers и ONNX Runtime актуальная документация всё ещё содержит ограничения по части моделей и функций.
- Это не PDF-редактор. PP-StructureV3 не предназначен для визуального исправления текста, аннотаций, подписей и ручной сборки страниц.
- Результат требует контроля. Сложная верстка, редкие шрифты, плохие сканы и необычные таблицы могут давать ошибки на любом автоматическом парсере.
Сравнение с аналогами
| Инструмент | Главная роль | Локальная работа | Сильная сторона | Кому подходит |
|---|---|---|---|---|
| PP-StructureV3 | Структурный парсинг изображений и PDF | Да | Модульный OCR, layout, таблицы, формулы, JSON/Markdown/DOCX | Разработчикам и автоматизированным конвейерам |
| Docling | Универсальный конвертер и парсер документов | Да | Широкий набор входных форматов, единая модель документа, интеграции с RAG | Тем, кому кроме PDF нужны DOCX, PPTX, XLSX, HTML, EPUB и другие форматы |
| MinerU | Парсинг документов для LLM и RAG | Да | PDF и Office-входы, Markdown/JSON, OCR и VLM-подходы, готовый WebUI/CLI/API | Командам, которым нужен более «готовый» конвейер вокруг разбора документов |
| ABBYY FineReader PDF | Настольное OCR и работа с PDF | Да | Графический интерфейс, OCR, конвертация и ручная работа с документом | Офисным пользователям без разработки |
| Sumatra PDF | Быстрый просмотр документов | Да | Лёгкое чтение PDF и других форматов без ML-зависимостей | Тем, кому нужно открыть и читать файл, а не извлекать структуру |
Docling ближе всего по идее структурного представления и охватывает больше исходных форматов. MinerU также ориентирован на document parsing и предлагает CLI, API и WebUI вместе с вводом Office-файлов. PP-StructureV3 особенно логичен внутри экосистемы PaddleOCR, когда нужны тонкая настройка моделей и контроль конвейера.
ABBYY FineReader PDF — коммерческое настольное OCR-приложение с визуальным рабочим процессом и проще для ручной вычитки. Обзоры Adobe Acrobat Pro и PDF-XChange Editor релевантнее, когда нужны редактирование PDF, аннотации и визуальная работа, а не JSON-структура.
С Sumatra PDF прямое сравнение ограничено: это просмотрщик, тогда как PP-StructureV3 анализирует содержимое. Для чтения отчёта нейросетевой конвейер избыточен; для извлечения Markdown и таблиц Sumatra PDF задачи не решает. Для простого OCR без сложного layout parsing можно также посмотреть OCR CuneiForm, учитывая его другое поколение и назначение.
Инструкция по установке
Установка в изолированное окружение
- Установите поддерживаемый Python. Для PP-StructureV3 ориентируйтесь минимум на Python 3.9, потому что группа doc-parser имеет более строгую зависимость, чем базовый пакет.
- Создайте отдельное виртуальное окружение для проекта. Это снижает риск конфликтов с уже установленными версиями PaddlePaddle, Transformers, ONNX Runtime и другими библиотеками.
- Обновите pip внутри окружения.
- Установите документный набор PaddleOCR командой python -m pip install «paddleocr[doc-parser]».
- Установите выбранный inference engine по официальной инструкции, соответствующей операционной системе, CPU/GPU и драйверам. Для базового сценария PP-StructureV3 официальные примеры используют PaddlePaddle.
- Проверьте установленную версию командой python -m pip show paddleocr. На дату обзора стабильная публикация — 3.7.0.
После успешной установки полезно сохранить снимок окружения, например список пакетов и версии драйверов, а модельные каталоги не менять между эталонным и рабочим прогоном. Это упрощает диагностику: если результат изменился, можно отдельно проверить входной файл, конфигурацию и программное окружение, а не гадать, какой компонент обновился автоматически.
Первый запуск
- Подготовьте одно тестовое изображение или PDF, на котором заранее известны заголовок, несколько абзацев и хотя бы одна таблица. Так проще заметить ошибки порядка чтения и структуры.
- Запустите CLI в формате paddleocr pp_structurev3 -i путь_к_файлу —engine paddle. На первом запуске могут загружаться отсутствующие модели.
- Для минимального теста можно отключить ненужные функции, например исправление ориентации или формулы, если их нет в образце. Это ускорит проверку среды.
- После успешного запуска перейдите к Python API, если нужны сохранение JSON, Markdown, DOCX, выбор отдельных полей результата или интеграция в приложение.
Безопасное обновление и удаление
Перед обновлением сохраните список версий, конфигурацию, пути к собственным моделям и несколько эталонных документов. После обновления прогоните тот же набор и сравните JSON, Markdown и таблицы: в минорных версиях могут меняться модели по умолчанию и постобработка.
После копирования результатов и собственных весов пакет можно удалить через pip uninstall paddleocr. Отдельно установленные зависимости при этом могут остаться; поэтому изолированное виртуальное окружение удобнее удалить целиком после проверки сохранности данных.
Практические кейсы
Сканированный PDF в Markdown для поиска
Цель: получить текст с порядком чтения. Подготовка: сохраните исходный PDF и выберите OCR-язык. Шаги: обработайте PDF, сохраните Markdown и при необходимости объедините страницы concatenate_markdown_pages. Проверка: сравните с оригиналом многостолбцовые места и переходы страниц. Ограничение: Markdown передаёт логику, а не пиксельный макет PDF.
Извлечение таблиц в XLSX
Цель: получить таблицы, пригодные для расчётов. Подготовка: оставьте table recognition включённым. Шаги: сохраните XLSX и параллельно JSON. Проверка: сверяйте строки, столбцы, объединения, заголовки и числа. Ограничение: сложные вложенные таблицы требуют ручного контроля; XLSX не гарантирует точную копию источника.
Научная статья с формулами и многоколоночной версткой
Цель: подготовить статью для поиска или RAG. Подготовка: включите формулы, layout analysis и подходящую OCR-модель. Шаги: сохраните JSON и Markdown. Проверка: сравните порядок колонок, заголовки, формулы и ссылки на рисунки. Ограничение: формулы чувствительны к качеству скана, а альтернативные backend могут ограничивать их распознавание.
Внутренний сервис для нескольких приложений
Цель: вынести parsing на сервер. Подготовка: закрепите версии моделей и настройте ускоритель. Шаги: разверните HTTP-сервис и отправляйте файл или URL на endpoint layout-parsing. Проверка: контролируйте коды ответа и документы длиннее десяти страниц. Ограничение: базовая конфигурация сервиса берёт только первые десять страниц PDF/многостраничного TIFF, пока лимит не изменён.
Навигатор по сбоям
| Симптом | Что проверить | Безопасное действие | Контроль результата |
|---|---|---|---|
| Процесс очень медленный | Включены ли формулы, таблицы, диаграммы и предобработка без необходимости | Отключить ненужные модули или выбрать более лёгкие модели | Сравнить качество на одном и том же документе до и после изменения |
| Не хватает памяти | Размер страниц, число одновременно обрабатываемых входов, набор моделей | Перейти на последовательную обработку и predict_iter, уменьшить функциональный набор | Проверить, что все страницы обработаны и результаты не потеряны |
| Неверный порядок текста | Layout detection и сложность многоколоночной верстки | Сохранить визуализацию областей и подобрать другую конфигурацию layout-модели | Сверить порядок блоков в JSON и Markdown |
| Плохой русский OCR | Выбранный язык и версия OCR-модели | Явно выбрать ru и совместимую OCR-линейку | Проверить заранее подготовленный набор русскоязычных фрагментов |
| Функция недоступна на альтернативном backend | Матрицу совместимости движка и моделей | Вернуться к поддерживаемому движку или отключить неподдерживаемый модуль | Запустить официальный минимальный пример и затем свой документ |
Контроль перед сохранением и передачей
- Сохранён неизменённый исходный PDF или изображение.
- Зафиксированы версия paddleocr, inference engine и конфигурация моделей.
- Проверен OCR минимум на нескольких страницах каждого языка.
- Проверен порядок чтения на многостолбцовых страницах.
- Сверены таблицы, объединённые ячейки, формулы и подписи к изображениям.
- JSON сохранён вместе с человекочитаемым Markdown или DOCX, если данные будут дорабатываться.
- Для серверной обработки проверено, что лимит страниц соответствует документу.
- Перед внешней передачей удалены лишние промежуточные файлы и проверена политика хранения данных в используемой инфраструктуре.
Часто задаваемые вопросы
PP-StructureV3 — это отдельная программа?
Нет. Это конвейер PaddleOCR с Python API, CLI и серверным развёртыванием, а не самостоятельный визуальный PDF-редактор.
Можно ли пользоваться старым PPStructure из инструкций 2.x?
Для нового проекта — нет. В PaddleOCR 3.x PPStructure удалён, а актуальный API — PPStructureV3. Поддерживаемую систему 2.x нужно считать отдельной наследуемой веткой.
Нужен ли интернет для распознавания?
Локальный инференс может идти без передачи документа в облако. Интернет обычно нужен лишь для первоначальной загрузки отсутствующих моделей; в закрытой сети веса можно подготовить заранее.
Можно ли отредактировать PDF после OCR прямо в PP-StructureV3?
Нет. Конвейер извлекает структуру и содержимое. Для визуального редактирования, аннотаций, подписей и перестановки страниц нужен PDF-редактор.
Создаёт ли PP-StructureV3 поисковый PDF?
Основные штатные выходы — JSON, Markdown, DOCX, визуализации и табличные HTML/XLSX. Создание searchable PDF не является основным экспортом PP-StructureV3; для добавления текстового слоя лучше специализированное OCR/PDF-приложение.
Принимает ли PP-StructureV3 DOCX, XLSX и PPTX?
Нет, штатные входы PP-StructureV3 — изображения и PDF. Word, Excel и PowerPoint относятся к отдельному контуру doc2md внутри PaddleOCR.
Поддерживается ли русский язык?
Да. Русский есть в перечне языков PP-OCRv5, который можно выбрать для PP-StructureV3. Для него следует явно выбрать ru, а не оставлять дефолтную китайско-английскую конфигурацию.
Можно ли работать только на CPU?
Да. CPU поддерживается, но полный набор модулей может быть тяжёлым. На CPU особенно полезны лёгкие модели, отключение ненужных ветвей и последовательная обработка.
Есть ли лимит на число страниц?
Лицензионного лимита страниц у локального Python API не опубликовано. Но базовый HTTP-сервис по умолчанию обрабатывает первые десять страниц PDF или многостраничного TIFF, пока администратор не изменит max_num_input_imgs.
Что лучше хранить после распознавания?
Минимально — оригинал и JSON. Markdown/DOCX удобны для чтения и правки, XLSX — для таблиц, но JSON сохраняет наиболее богатую служебную структуру и облегчает повторную обработку.
Вывод
В актуальном виде PaddleOCR PP-Structure — это PP-StructureV3, разработческий конвейер для превращения изображений и PDF в структурированные данные. Он полезен, когда одного OCR мало: нужно различать зоны страницы, порядок чтения, таблицы, формулы и печати и получать JSON или Markdown.
Он подходит разработчикам и организациям, которым важны локальная обработка, открытая лицензия и управляемая модельная архитектура. Если нужен визуальный OCR без Python, практичнее ABBYY FineReader PDF или другой настольный пакет. Для более широкого набора входных форматов стоит сравнить Docling и MinerU, а для простого чтения PDF — Sumatra PDF.
PP-StructureV3 разумно воспринимать как инфраструктурный компонент: фиксировать версии, выбирать языковую модель, отключать ненужные модули, хранить JSON вместе с исходником и проверять сложные страницы по эталонам. Тогда конвейер остаётся воспроизводимым и не требует обязательной передачи документов во внешнее облако.